一种基于蚁群算法的动态饲料组合选择系统和选择方法
【技术领域】
[0001] 本发明涉及猪肉养殖技术方法，尤其涉及一种基于蚁群算法的饲料组合优化方 法。
【背景技术】
[0002] 猪肉细嫩味美，营养丰富，是人类主要肉食品之一。近年来，随着全球供应链的迅 猛发展，人们对猪肉的需求量与日倶增，随之而来的就是养猪市场的繁荣。怎样在种类繁多 的养殖场中脱颖而出，获得口碑和收益的双丰收是摆在猪场养殖者面前的一个重要问题。 显而易见，在猪场养殖中最重要的就是饲料的选取，首先要考虑到饲料的营养，要达到饲料 营养全面，充足，平衡的要求，其次是考虑饲料配方的经济。只有选择性价比最高的饲料，才 能保证饲料供给猪只充足的营养，从而提高猪肉的质量，获得更高的收益。
[0003] 当今的养猪市场日渐庞大，期间涌起大大小小的饲料服务商不计其数，怎样在纷 繁复杂的服务商中选择最适合自身猪场需要的服务显得尤为重要。由于不同的养猪饲料服 务商提供的饲料的类别和价格不一样，并且不同服务商提供的饲料的吸收率也不同（吸收 率即猪仔所吃的饲料量转化成精肉的比例）。因此我们需要谨慎选择服务商，通过选择不同 的服务商，就可以得到不同的饲料组合，争取用最小的成本获得最大的吸收率，从而使生猪 获得更加全面的营养，最终得到更高的收益。
[0004] 蚁群算法是计算机技术和生物技术相结合之后迅速发展的产物之一。具有易实 现，易结合和鲁棒性强等优点。蚁群算法最初是一种用于寻找优化路径的搜索算法，它的提 出是受自然界中蚂蚁搜索食物的行为的启发，其原理为：蚂蚁在运动过程中能够在它所经 过的路径上留下信息素，同时也能感知其他蚂蚁留下的信息素，根据每条路径上的信息素 状态选择不同的路径，通过选择路径的有效性和满意程度，进而形成到达食物所在地的最 优路径。
【发明内容】
[0005] 1.要解决的技术问题
[0006] 针对现有猪场养殖市场中针对养猪的饲料组合成本高、养猪收益低的问题，本发 明提供了一种基于蚁群算法的饲料组合优化方法，它可以实现通过选择不同的服务商从而 得到不同的饲料组合，最小的成本获得最大的吸收率，降低成本，提高收益。
[0007] 2.技术方案
[0008] 本发明的目的通过以下技术方案实现。
[0009] -种基于蚁群算法的动态饲料组合选择系统，包括以下模块，信息输入模块、服务 商饲料组合信息模块、约束条件模块、选择系统处理模块、选择输出模块，其中所述的信息 输入模块从外部获取服务商信息、饲料种类信息、饲料价格信息、猪场养殖方提供的生猪类 别及日龄信息；
[0010] 所述的信息输入模块将获取的信息分别送入服务商饲料组合信息模块和约束条 件模块，服务商饲料组合信息模块对信息输入模块中获得信息进行从存储，约束条件模块 对信息输入模块中获得信息进行处理形成约束值；所述的选择系统处理模块对服务商饲料 组合信息模块和约束条件模块中的信息和约束值进行获取，通过蚁群算法对信息和约束值 进行处理，选择最符合约束值的最优解作为服务商饲料组合选择，通过选择输出模块对最 优解进行输出。
[0011] 更进一步的，新的服务商信息、饲料种类信息、饲料价格信息、猪场养殖方提供的 生猪类别及日龄信息通过信息输入模块进行更新，系统重新进行一轮工作，获得新的最优 解。
[0012] 一种基于上述的基于蚁群算法的动态饲料组合选择系统的选择方法，其步骤如 下：
[0013] A、通过信息输入模块从外部获取系统所需信息包括服务商信息、饲料种类信息、 饲料价格信息、猪场养殖方提供的生猪类别及日龄信息；
[0014] B、信息输入模块将获取的信息分别送入服务商饲料组合信息模块和约束条件模 块，约束条件模块对信息输入模块中获得信息进行处理形成约束值；
[0015] C、选择系统处理模块对服务商饲料组合进行选择，具体步骤如下：
[0016] a、在所有待选服务商信息中，随机选择η种服务商信息，根据约束值构成动态组 合模型，形成一个满足约束的多目标决策问题；
[0017] b、针对动态组合模型应用蚁群算法，初始化蚁群算法的信息素，设定不同类型的 启发信息；
[0018] c、选择寻优方式，进行信息素更新，直至所得的组合中的元素的信息素收敛于最 优解；
[0019] d、判断是否达到最大循环次数，若未达到则返回步骤b，若达到最大循环次数，则 终止循环，得到最优解；
[0020] D、通过选择输出模块输出所述最优解为最符合约束值的最优解作为服务商饲料 组合选择。
[0021] 更进一步的，步骤C的第a步所述的动态组合模型如下：
[0022] 设D= (D1 I i = 1，2, ···，!!}为选择服务商对应的饲料组合，即需要实现的η类 子任务的集合，Si= {S I i = 1，2, "·η ;j = 1，2,…m}为可行域内能够完成子任务D ;的 可选择情况，m为该经销商提供的饲料的种类，则Su即表示第i个服务商提供的第j种饲 料，饲料种类信息、饲料价格信息累加计算花费成本作为数学模型的最大费用约束值；根据 猪场养殖方提供的生猪类别及日龄确定其维持一天正常生活所需的营养物质，从而确定饲 料的最低吸收率，将此吸收率作为数学模型的最小吸收率约束值；
[0023] 定义A (D1)为服务商选择某一个饲料组合的吸收率，则
[0025] 为服务商饲料组合的吸收率；
[0026] 定义C (D1)为服务商选择某一个饲料组合的成本，则 CN 105117795 A 说明书 3/9 页
[0028] 为服务商饲料组合的成本；
[0029] 综上动态组合模型可描述为满足约束的多目标决策问题：
[0030] 最大费用约束值如下：
[0032] 式中Blj表示i服务商提供的j饲料的吸收率，S Jalj表示对象S ^的吸收率属性 值；
[0033] 最小吸收率约束值如下：
[0035] 式中Clj表示i服务商提供的j饲料的价格，S Jalj表示对象S u的花费成本属性 值。
[0036] 更进一步的，步骤C的第b步所述的初始化信息素为：
[0037] 设Slj的信息素为τ V τ = τ。，1彡i彡n，1彡j彡m，其中n表示子任务的数 目，m表示可供第i个活动选择的饲料的种类，τ。为起始信息素浓度；
[0038] 设启发信息为η,，为了更好的实现多目标优化，将设定两种启发信息，如下：
[0039] 吸收率优先的启发信息为：
[0041] 上式中表示第i个饲料组合的吸收率，minD AbsOTb表示可行域内所有饲料组 合的吸收率的最小值；Θ a为控制参数，其范围为（1
[0042] 价格优先的启发信息为：
[0044] 上式中D1^st表示第i个饲料组合的花费成本；maxD e°st表示可行域内所有饲料组 合的花费成本的最大值；Θ。为控制参数，其范围为< Ie < 3)。 m-
[0045] 更进一步的，步骤C的第c步所述的寻优方式，根据算法所选的寻优方式进行信息 素更新，直至所得的组合中的元素的信息素收敛于最优解，算法所选的寻优方式为：
[0046] 基于转移概率的寻优方式，转移概率如下： CN 105117795 A 说明书 4/9 页
[0048] 其中τ u表示信息素浓度；I < i < n，I < j < m，I < k < m，其中η表示子任 务的数目，m表示可供第i个活动选择的饲料的种类，α，β表示启发式因子，范围为： (0·8〈α〈1·2)，（3·6〈β〈4·3);
[0049] 每只蚂蚁根据自己信息素的值，随机选择一种启发信息类型，然后按照上述公式 计算向其他蚂蚁移动的转移概率，按照轮盘赌算法选择移动方向，移动之后按照下面的规 则进行信息素更新；
[0050] I ^ (new) = (l~p) Tij (old)+ Λ Tij
[0051] Δ τ i.j= (a old-anew)_ (Cold-Cnew)
[0052] 其中Δ Tij表示一次循环之后信息素的增量，数值可正可负，a ^表示一次循 环之后新组合的吸收率，Ccild表示一次循环之后新组合的花费成本；a _表示一次循环 之前组合的吸收率，c_表示一次循环之前组合的花费成本；P为挥发因子，其范围为 (0· 7〈P〈0· 9)。
[0053] 更进一步的，步骤C的第d步所述的，判断是否达到最大循环次数，为NCniax，其范围 为（150〈NC_〈200)。
[0054] 3.有益效果
[0055] 相比于现有技术，本发明的优点在于：
[0056] (1)通过本系统可以针对多个服务商对应的不同的饲料组合方式进行选择，综合 运用蚁群算法，形成多目标优化的决策问题，最终得到吸收率最优，花费成本最低的最优解 组合，选择所对应的饲料组合对应的服务商；
[0057] (2)实现了多个服务商的组合，淘汰了之前猪场养殖方进行的单一服务商的选择， 为猪场养殖方提供了更多的选择，并且不仅提高了猪肉的营养价值，而且控制了成本，增加 了收益；
[0058] (3)通过对服务商和饲料进行的一对一的定义，进行跟踪计算和选择，快速得出所 需要最优化的组合方案，速度快，效率高；
[0059] (4)当服务商和饲料价格改变